論文の概要: Stable and memory-efficient image recovery using monotone operator learning (MOL)

• arxiv url: http://arxiv.org/abs/2206.04797v1
• Date: Mon, 6 Jun 2022 21:56:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-19 22:47:56.083779
• Title: Stable and memory-efficient image recovery using monotone operator learning (MOL)
• Title（参考訳）: 単調演算子学習(MOL)を用いた安定・高効率画像復元
• Authors: Aniket Pramanik, Mathews Jacob
• Abstract要約: 画像における大規模逆問題に対するモノトン深部平衡学習フレームワークを提案する。 提案アルゴリズムは、各反復は、スコア関数を含む勾配降下と、データの一貫性を促進する共役勾配アルゴリズムからなる前方後方分割に依存する。 実験により,提案手法は入力摂動の有無で安定でありながら,3次元設定における性能向上を図っている。
• 参考スコア（独自算出の注目度）: 24.975981795360845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a monotone deep equilibrium learning framework for large-scale inverse problems in imaging. The proposed algorithm relies on forward-backward splitting, where each iteration consists of a gradient descent involving the score function and a conjugate gradient algorithm to encourage data consistency. The score function is modeled as a monotone convolutional neural network. The use of a monotone operator offers several benefits, including guaranteed convergence, uniqueness of fixed point, and robustness to input perturbations, similar to the use of convex priors in compressive sensing. In addition, the proposed formulation is significantly more memory-efficient than unrolled methods, which allows us to apply it to 3D problems that current unrolled algorithms cannot handle. Experiments show that the proposed scheme can offer improved performance in 3D settings while being stable in the presence of input perturbations.
• Abstract（参考訳）: 画像における大規模逆問題に対するモノトン深部平衡学習フレームワークを提案する。 提案手法は,各反復がスコア関数を含む勾配降下と,データ一貫性を促進する共役勾配アルゴリズムからなる前方後方分割に依拠する。 スコア関数は単調畳み込みニューラルネットワークとしてモデル化される。 モノトン演算子の使用は、圧縮センシングにおける凸先の使用と同様に、収束の保証、固定点の特異性、入力摂動に対する堅牢性など、いくつかの利点を提供する。 さらに,提案手法は未ロール法に比べてメモリ効率が著しく向上し,現在の未ロールアルゴリズムでは処理できない3次元問題にも適用できる。 実験により,提案手法は入力摂動の有無で安定でありながら,3次元設定における性能向上を図っている。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Variable Substitution and Bilinear Programming for Aligning Partially Overlapping Point Sets [48.1015832267945]
  本研究では,RPMアルゴリズムの最小化目的関数を用いて要求を満たす手法を提案する。 分岐とバウンド(BnB)アルゴリズムが考案され、パラメータのみに分岐し、収束率を高める。 実験による評価は,非剛性変形,位置雑音,外れ値に対する提案手法の高剛性を示す。
  論文  参考訳（メタデータ） (2024-05-14T13:28:57Z)
• Diff-Reg v1: Diffusion Matching Model for Registration Problem [34.57825794576445]
  既存の手法では、幾何学的あるいは意味的な特徴を利用して潜在的な対応を生成する。 従来はシングルパス予測に頼っていた手法は、複雑なシナリオにおいて局所的なミニマと競合する可能性がある。 本稿では,ロバスト対応推定のための拡散マッチングモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-29T02:10:38Z)
• Fully Differentiable Correlation-driven 2D/3D Registration for X-ray to CT Image Fusion [3.868072865207522]
  画像ベース剛性2D/3Dレジストレーションは, 蛍光ガイド下外科手術において重要な技術である。 デュアルブランチCNN変換器エンコーダを用いた完全微分型相関型ネットワークを提案する。 組込み情報に基づく低周波特徴と高周波特徴の分解に対して相関型損失を提案する。
  論文  参考訳（メタデータ） (2024-02-04T14:12:51Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Input-gradient space particle inference for neural network ensembles [32.64178604645513]
  FoRDE (First-order Repulsive Deep Ensemble) は、ParVIに基づくアンサンブル学習手法である。 画像分類データセットと転写学習タスクの実験は、FORDEがゴールドスタンダードのDsよりも大幅に優れていることを示している。
  論文  参考訳（メタデータ） (2023-06-05T11:00:11Z)
• Learning Iterative Robust Transformation Synchronization [71.73273007900717]
  グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。 本研究では、ロバストな損失関数のハンドクラフトを回避するとともに、グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。
  論文  参考訳（メタデータ） (2021-11-01T07:03:14Z)
• Hybrid Trilinear and Bilinear Programming for Aligning Partially Overlapping Point Sets [85.71360365315128]
  多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。 まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。 次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-01-19T04:24:23Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)
• Dualize, Split, Randomize: Toward Fast Nonsmooth Optimization Algorithms [21.904012114713428]
  第一のFが滑らかで第二のFが非滑らかで近似可能な3つの凸函数の和を考える。 このテンプレート問題には、画像処理や機械学習など、多くの応用がある。 この問題に対して PDDY と呼ぶ新しい原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-03T10:48:01Z)
• Variance Reduction with Sparse Gradients [82.41780420431205]
  SVRGやSpiderBoostのような分散還元法では、大きなバッチ勾配と小さなバッチ勾配が混在している。 我々は、新しい空間演算子:ランダムトップk演算子を導入する。 我々のアルゴリズムは、画像分類、自然言語処理、スパース行列分解など様々なタスクにおいて、一貫してSpiderBoostより優れています。
  論文  参考訳（メタデータ） (2020-01-27T08:23:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。